估计未聚焦全光数据的深度的方法和装置与流程

本公开涉及光场技术，具体地，涉及用于估计未聚焦全光数据的深度的方法和装置。

背景技术：

本节意在提供本公开中描述的技术的各个实施例的背景技术。本节中的描述可以包括可要求保护的构思，但其不一定是之前已经想到或要求保护的构思。因此，除非本文另有指示，否则本节中描述的内容不是本公开的说明书和/或权利要求书的现有技术，也不因其仅仅被包含在本节中而被承认为现有技术。

光场是在计算机图形和视觉技术中提出的概念，其被定义为在空间的每一点处射向每个方向的所有光线。光场相机(也称为全光相机)是一种使用微透镜阵列来捕获关于场景4d(四维)的光场信息(这是因为三维空间中的每个点还具有一个方向)的相机类型。光场相机的微透镜阵列刚好位于成像传感器的前方，其可包括许多具有微小焦距长度的显微透镜并将本该成为的2d像素(长度和宽度)在到达传感器之前分成单独的光线。这与仅使用胶片/传感器的两个可用维度的常规相机不同。由于存在微透镜，所以所得到的由全光相机捕获的原始图像由许多微小图像组成。

全光相机能够捕获场景的光场信息。然后，在获取场景的图像之后，可对光场信息进行后处理，以从不同的视点来重构这些图像。这还允许用户改变图像的焦点。如上所述，与常规相机相比，全光相机包含用来实现所提及的目标的额外光学分量。

由未聚焦全光相机捕获的全光数据被称为未聚焦(类型1)全光数据，由聚焦全光相机捕获的全光数据被称为聚焦(类型2)全光数据。

在类型1全光相机(比如lytro)中，微透镜阵列布置在传感器的前方。所有微透镜具有相同的焦距长度，并且微透镜阵列布置为与传感器相距一个焦距长度。该配置获得最大角分辨率和低空间分辨率。

在具有场景的若干对齐视图的情况下，对由未聚焦全光相机捕获的类型1全光数据的一种直觉应用是估计场景的深度。深度估计的已知解决方案通常通过估计视图之间的像素差异来执行。

在n.sabater，v.drazic，m.seifi，g.sandri和p.perez所写的参考文献“lightfieldmultiplexinginganddisparityestimation，hal，2014”(以下简称参考文献1)中讨论了一种示例性算法，即块匹配方法。

更具体地，在参考文献1的算法中，首先从捕获的全光数据中提取来自不同视点的场景的不同图像。然后，通过提取全光数据的所有视图，从全光数据重构视图矩阵。考虑到不同视图上每个像素的位移与对应物体的深度成比例的事实，该视图矩阵然后用于估计场景物体的深度。

对于未聚焦全光数据的已知解决方案的估计方法通常是耗时的，并且在非纹理区域上不是很准确。

在s.wanner和b.goldleuke所写的参考文献“variationallightfieldanalysisfordisparityestimationandsuper-resolution，ieeetransactionofpatternanalysisandmachineintelligence，2013”(以下简称参考文献2)中，讨论了基于场景的对极图像的另一示例性的深度估计方法。参考文献2提出计算结构张量(梯度)以判定哪些像素用于估计差异。

然而，参考文献2中的深度估计方法的提出是用于由聚焦相机捕获的全光数据，因此由于对极图像的低分辨率而对于未聚焦全光数据不是最佳的。

技术实现要素：

本公开解决至少一些以上提及的缺点。将参照示例性实施例详细地描述本公开。然而，本公开不限于所述实施例。

根据本公开的第一方面，提供了一种用于估计未聚焦全光数据的深度的方法。所述方法包括：确定未聚焦全光数据的微透镜图像的均匀性级别；根据所确定的未聚焦全光数据的微透镜图像的均匀性级别确定未聚焦全光数据的微透镜图像中差异等于零或属于均匀区域的像素；以及通过对未聚焦全光数据的微透镜图像的除了所确定的像素之外的像素进行差异估计，估计未聚焦全光数据的深度。

在一个实施例中，能够通过从每个微透镜图像估计均匀性测量来确定每个微透镜图像的均匀性级别，以及将所估计的度量指派给相应微透镜图像的所有像素。在所述实施例中，创建均匀性图像。

在一个实施例中，能够通过在三个颜色通道上计算每个微透镜图像中的像素的标准差来确定该微透镜图像的均匀性级别，以及将所估计的度量指派给相应微透镜图像的所有像素。在所述实施例中，创建均匀性图像。

在一个实施例中，通过以下操作从所创建的均匀性图像中确定度量视图矩阵：从未聚焦全光数据估计捕获未聚焦全光数据的全光相机的每个微透镜的中心的位置；以及通过从均匀性图像中的每个微透镜图像提取位于相对于每个微透镜图像的中心的空间坐标(u，v)处的像素，针对所有角坐标(u，v)解复用均匀性图像的相应度量视图(u，v)。

在一个实施例中，能够通过在三个颜色通道上计算未聚焦全光数据的视图矩阵中的多个视图上的每个微透镜图像的相应像素的均匀性测量(例如，标准差)，从所述视图矩阵确定每个微透镜图像的均匀性级别，其中视图矩阵用来表示所述视图的光场。在一个实施例中，通过考虑视图矩阵中的所有视图上的空间位置(x，y)处的所有像素来确定原始数据上的空间坐标(x，y)处针对微透镜图像的相应像素。在所述实施例中，创建度量矩阵。

在一个实施例中，通过以下操作确定视图矩阵：从未聚焦全光数据估计捕获未聚焦全光数据的全光相机的每个微透镜的中心的位置；以及通过从每个微透镜图像提取位于相对于每个微透镜图像的中心的空间坐标(u，v)处的像素，针对所有角坐标(u，v)解复用未聚焦全光数据的相应视图(u，v)。

在一个实施例中，能够通过在考虑针对所述视图矩阵中的每个微透镜图像的相应像素的情况下估计均匀性测量来确定每个微透镜图像的均匀性级别，以及将所估计的度量指派给针对每个微透镜图像的相应像素中的所有像素。在所述实施例中，创建度量视图矩阵。

在一个实施例中，能够通过对所确定的均匀性图像中的值进行阈值分割来确定所述像素。

在一个实施例中，能够通过对所确定的度量视图矩阵中的值进行阈值分割来确定所述像素。

在一个实施例中，该方法还包括：对经过阈值分割的度量视图矩阵进行处理，以使用形态滤波器来填充空像素，以形成用于差异估计的经过处理的矩阵。

在一个实施例中，能够通过在三个颜色通道上计算微透镜图像的标准差来确定微透镜图像的均匀性级别。相应微透镜图像的像素共享所估计的均匀性度量(例如，标准差)。另一示例将考虑微透镜图像的dct变换，并且高频带中的信号的能量之和给出了一种均匀性测量。

在一个实施例中，针对每个微透镜图像估计的度量(例如，标准差)被指派给该微透镜的所有像素，因此，原始数据中的每个像素都被指派有均匀性测量。这些像素的合集给出了在维度上与原始数据类似的均匀性图像。

在一个实施例中，能够通过以下操作确定均匀性测量矩阵：从原始未聚焦全光数据估计捕获未聚焦全光数据的全光相机的每个微透镜的中心的位置；以及通过从每个微透镜图像提取像素来解复用均匀性图像的视图。该方法给出了均匀性度量矩阵。

在一个实施例中，关于具有均匀像素的判定能够通过对所估计的度量(例如，标准差或dct变换的高频能量)的重构矩阵进行阈值分割来确定。

在一个实施例中，该方法还可以包括：对经过重构的矩阵进行处理，以使用形态滤波器来填充空像素，以形成用于差异估计的经过处理的矩阵。

根据本公开的第二方面，提供了一种用于估计未聚焦全光数据的深度的装置。所述装置包括：第一确定单元，用于确定未聚焦全光数据的微透镜图像的均匀性级别；第二确定单元，用于根据所计算的未聚焦全光数据的微透镜图像的均匀性级别确定未聚焦全光数据的微透镜图像中差异等于零或属于均匀区域的像素；以及估计单元，用于通过在不考虑所确定的像素的情况下进行差异估计来估计未聚焦全光数据的深度。

在一个实施例中，所述第一确定单元被配置为：通过从每个微透镜图像估计均匀性测量来确定均匀性级别，以及将所估计的度量指派给相应微透镜的所有像素。

在一个实施例中，所述第一确定单元被配置为通过以下操作从所创建的均匀性图像确定度量矩阵：从未聚焦全光数据估计捕获未聚焦全光数据的全光相机的每个微透镜的中心的位置；以及通过从均匀性图像中的每个微透镜图像提取位于相对于每个微透镜图像的中心的空间坐标(u，v)处的像素，针对所有角坐标(u，v)解复用均匀性图像的相应度量视图(u，v)。

在一个实施例中，所述第一确定单元被配置为：通过在三个颜色通道上计算未聚焦全光数据的视图矩阵中的多个视图上的每个微透镜图像的相应像素的均匀性测量(例如，标准差)，从所述视图矩阵确定每个微透镜图像的均匀性级别，其中视图矩阵用来表示所述视图的光场。在一个实施例中，通过考虑视图矩阵中的所有视图上的空间位置(x，y)处的所有像素来确定原始数据上的空间坐标(x，y)处针对微透镜图像的相应像素。

在一个实施例中，所述第一确定单元被配置为通过以下操作来确定视图矩阵：从未聚焦全光数据估计捕获未聚焦全光数据的全光相机的每个微透镜的中心的位置；以及通过从每个微透镜图像提取位于相对于每个微透镜图像的中心的空间坐标(u，v)处的像素，针对所有角坐标(u，v)解复用未聚焦全光数据的相应视图(u，v)。

在一个实施例中，所述第二确定单元被配置为：通过对所确定的度量矩阵进行阈值分割来确定所述像素。

在一个实施例中，所述第一确定单元被配置为：对经过阈值分割的重构度量矩阵进行处理，以使用形态滤波器来填充空像素，以形成用于差异估计的经过处理的矩阵。

在一个实施例中，所述第一确定单元能够被配置为：通过重构用来表示视图的光场的全光数据的均匀性度量矩阵来确定均匀性级别。

在一个实施例中，所述第一确定单元能够被配置为：通过在三个颜色通道上计算未聚焦全光数据的视图矩阵中的多个视图上的每个微透镜图像的相应像素的均匀性测量(例如，标准差)，从所述视图矩阵确定每个微透镜图像的均匀性级别，其中视图矩阵用来表示所述视图的光场。通过考虑视图矩阵中的所有视图上的空间位置(x，y)处的所有像素(创建度量矩阵)来确定原始数据上的空间坐标(x，y)处针对微透镜图像的相应像素。

在一个实施例中，所述第一确定单元能够被配置为通过以下操作来确定均匀性级别：从未聚焦全光数据估计捕获未聚焦全光数据的全光相机的每个微透镜的中心的位置；以及通过从每个微透镜图像提取像素来解复用未聚焦全光数据的视图。

在一个实施例中，所述第一确定单元能够被配置为通过在三个颜色通道上计算微透镜图像的标准差来确定均匀性级别。

在一个实施例中，所述第二确定单元能够被配置为：通过对所重构的度量矩阵进行阈值分割来确定所述像素。

在一个实施例中，所述第一确定单元能够被配置为：对经过重构的矩阵进行处理，以使用形态滤波器来填充空像素，以形成用于差异估计的经过处理的矩阵。

根据本公开的第三方面，提供了一种包括程序代码指令的计算机程序，可由处理器执行所述程序指令代码，以便实现根据本公开的第一方面的方法的步骤。

根据本公开的第四方面，提供了一种计算机程序产品，所述计算机程序产品被存储在非瞬态计算机可读介质上并包括程序代码指令，其中可由处理器执行所述程序代码指令以便实现根据本公开的第一方面的方法的步骤。

附图说明

参考附图，根据对本公开实施例的以下描述，本公开的上述和其它目的、特征和优点将更清楚，附图中：

图1是根据本公开实施例的用于估计未聚焦全光数据的深度的方法的流程图。

图2示出了解复用视图。

图3是用于估计由未聚焦全光相机捕获的全光数据的差异的处理的流程图。

图4示出了通过lytro相机获得的图像。

图5示出了通过白色图像进行划分而进行渐晕校正之后的原始图像。

图6示出了图3中通过矩形示出的区域处的放大图。

图7a和7b示出了针对红色通道的标准差矩阵和放大图。

图8a和8b示出了针对绿色通道的标准差矩阵和放大图。

图9a和9b示出了针对蓝色通道的标准差矩阵和放大图。

图10a和10b示出了阈值分割的二元掩模和放大图。

图11a和11b示出了扩张(第一步)的结果和放大图。

图12a和12b示出了侵蚀(第二步)的结果和放大图。

图13示出了使用参考文献1中描述的块匹配方法而不使用本公开实施例的方法估计的差异的图像。

图14示出了考虑了该预测步骤所估计的差异的图像。以及

图15是根据本公开实施例的用于估计未聚焦全光数据的深度的装置的框图。

具体实施方式

以下参照附图中示出的实施例来描述本公开。然而，应理解，这些描述仅仅提供用于示意目的，而不是限制本公开。此外，以下省略了已知结构和技术的描述，以免不必要地模糊本公开的构思。

图1是根据本公开实施例的用于估计未聚焦全光数据的深度的方法的流程图。

在步骤s101处，确定未聚焦全光数据的微透镜图像的均匀性级别。

可以通过从作为光场的表示的全光数据重构估计度量矩阵来确定均匀性级别。在估计每个微透镜图像的均匀性测量(例如，通过计算标准差或dct变换的高频带中的信号的能量之和)之后，将每个微透镜图像的估计分配给微透镜的所有像素，因此原始数据中的每个像素都具有分配给它的均匀性测量。这些像素的合集给出了在维度上与原始数据类似的均匀性图像。

在视图矩阵的重构(以及类似地，来自均匀性图像的度量矩阵)的示例中，首先从捕获的数据中提取来自不同视点的场景的不同图像，例如：(i)从原始数据估计每个微透镜的中心的位置；和(ii)通过提取每个微透镜图像中的空间位置(u，v)处的像素，对所有角坐标(u，v)的视图(u，v)进行解复用。这里，微透镜图像对应于在传感器上的每个微透镜下形成的图像。这里的原始数据是指相机收集的数据，这些数据未经过处理。在本实施例中这称为未聚焦全光数据。

在本实施例中，解复用方法用于重构矩阵。但是应当注意，它不限于解复用，并且其它合适的方法也可以适用。

图2示出了可以应用于全光原始数据或所创建的均匀性图像的视图解复用。可以理解，视图解复用解决了从2d原始图像到视图矩阵的数据转换。解复用过程包括重新组织原始图像的像素，使得将捕获具有一定入射角的光线的所有像素存储在同一图像中，从而创建所谓的视图。每个视图都是场景在不同角度下的投影。视图集合创建一个块矩阵，其中，中央视图存储捕获穿过主透镜的中心部分并照射到传感器的光线的像素。事实上，光线的角度信息由微透镜图像相对于微透镜图像中心的相对像素位置给出。因此，在图2中，通过从原始数据中取出由“#”标记的像素来创建视图(2，3)。图2的第二部分示出了在角坐标(2，3)和(5，6)处的两个解复用视图。

在这方面的更详细的过程在参考文献1中提供。应该指出的是，量度矩阵只是利用均匀性级别的一个例子。任何其他合适的均匀性估计方法都可以用于此目的。例如，可以直接对未聚焦全光数据进行计算，而不创建度量矩阵。此外，如下所述，本公开的实施例仅提供用于确定微透镜图像均匀性(标准差和dct变换的高频能量)的两个示例。然而，可以使用任何其他方法，例如使用二阶统计、同现矩阵。

在步骤s102处，根据未聚焦全光数据的微透镜图像的均匀性级别确定未聚焦全光数据的微透镜图像中差异等于零或属于均匀区域的像素。

以下示例将给出所述确定的进一步细节。

在步骤s102中，将利用由未聚焦全光相机捕获的未聚焦全光数据的结构来预测(i)属于场景中聚焦部分的像素(这些像素的估计差异等于零)，或(ii)属于场景的非纹理区域的像素。

在步骤s103处，通过在不考虑通过步骤s102确定的像素的情况下进行差异估计来估计未聚焦全光数据的深度。这对于具有低计算能力的设备(例如移动电话)是特别有利的，其中差异估计的负担降低而没有损失精度。

可以在步骤s103中使用任何合适的已知差异估计方法，例如参考文献2中公开的基于场景的对极图像的方法。在t.e.bishop和p.favaro所写的参考文献“full-resolutiondepthmapestimationfromanaliasedplenopticlightfield”，accv2010(以下称为参考文献3)中披露了差异估计的最大后验方法，其也可以在步骤s103中使用。

为了说明实施例的方法，首先考虑图2中属于高度纹理化的视图ii，j的区域的像素。这里，视图ii，j表示视图矩阵中的行i和列j中的视图。视图ii，j上的像素(x，y)的非零差异值d意味着在场景的另一视图ik，1(视图ik，1表示视图矩阵中的行k和列1中的视图)上，在像素坐标(x+d*[k-i]，y+d*[j-1])处对相同的场景点进行采样。也就是说，当视图改变时，在不同的微透镜图像中对相同的场景点进行采样，如图2所示。这意味着如果以(x，y)为中心的微透镜图像是均匀的，则可以推导出成像场景点在所有视图上在相同的空间坐标(x，y)处被采样。这也意味着相机镜头聚焦在场景的纹理部分。

对于非纹理区域，即使在不同的不同空间坐标处捕获3d点，也不能使用上述块匹配方法来估计位移。块匹配方法尝试通过比较均匀区域中或多或少相同的像素强度来局部地估计位移。在这种情况下，尝试估计像素差异是无用的。这种均匀区域的差异以0为起始。

根据本公开的实施例的方法，通过对原始数据进行预先处理，能够防止任何差异估计方法在针对以下各项估计差异上花费时间：(i)聚焦的像素；(ii)属于场景的均匀区域的像素。因此，该方法消除了均匀区域以及捕获场景的聚焦区域中的差异估计的计算成本。它还减少了由基于块匹配解决方案的差异估计方法引入的前景膨胀(foregroundfattening)量。

接下来，将详细描述用于确定由未聚焦全光相机捕获的未聚焦全光数据的微透镜图像的均匀性级别的过程。图3是示出了获得对于非均匀微透镜图像包含1并且对于均匀微透镜图像包含0的掩模的处理的流程图。在步骤s301，例如根据三个颜色通道上的微透镜图像的标准差确定微透镜图像的均匀性级别。

在本实施例中，提出了在三个颜色通道上计算每个微透镜图像的所有像素的标准差。在一个实施例中，将对每个微透镜图像的估计分配给相应微透镜的所有像素，因此原始数据中的每个像素都分配有均匀性测量。这些像素的合集给出了在维度上与原始数据类似的均匀性图像。

应当注意的是，优选地当通过任何有效方法近似避免相机的渐晕时，图3的过程的方法起作用。渐晕校正可以使用不同的方法进行，并且渐晕校正的细节不是本公开的重点。在一个实施例中，提供的图像、原始数据被对应于相机的相同焦距和缩放的白色图像划分，以校正渐晕。

图4示出了通过已知lytro相机获得的图像。

图5示出了通过相应白色图像进行划分而进行渐晕校正之后的原始图像。具有渐晕的主要缺点是视图矩阵中的照明的差异，即外围子孔径视图被低照明。目前，通过使用相应白色图像来划分原始数据来减小该照明差异。使用相应白色图像的原因是传感器上的微透镜图像的位置取决于相机参数，例如相机的缩放和焦距，因此平坦白色场景的图像可以提供每个相机参数集的像素的最大可实现捕获。因此，白色图像上的值提供了由于渐晕引起的加权系数。

图6示出了对图5中通过矩形示出的区域处的放大图。在图6中，示出了在场景的高频和未聚焦部分上的微透镜图像的不均匀性。

为了能够评估微透镜图像的均匀性级别，在本实施例中将分别处理3个颜色通道。

可以例如使用参考文献1中描述的方法来估计微透镜图像中心。然后，利用微透镜图像中心，考虑每个微透镜图像，并且该图像的3个颜色通道在能量方面独立地归一化。在每个通道上，计算归一化像素的标准差(std)。在一个实施例中，将所估计的均匀性度量(标准差)指派给所有的微透镜图像像素，然后存储在输出均匀性图像的相应颜色通道中。在一个实施例中，然后将该均匀性图像解复用，以获得度量视图矩阵。图7a和7b示出了针对红色通道获得的一个标准差度量视图和放大图。如图7a和7b所示，仅考虑红色通道中的像素。针对每个微透镜图像计算红色像素的标准差。如下所述，通过本实施例的解复用，将插入空像素来应对采样，因此我们具有没有标准差的像素。

图8a和8b示出了针对绿色通道的标准差矩阵和放大图。类似于红色通道，仅考虑微透镜图像的绿色通道中的像素。

图9a和9b示出了针对蓝色通道的标准差矩阵和放大图。只考虑蓝色通道中的像素。在步骤s302中，对步骤s301的结果进行阈值分割处理以获得二元掩模，显示哪些像素被估计为具有等于零的差异或属于均匀区域。在一个实施例中，该二元掩模具有与所提取的视图相同的解复用模式，以正确地应对光场的采样。

考虑到对于每个像素来讲估计三个标准差以分别应对颜色通道的事实，提出同时对这些值进行阈值分割，以将信息合并为单通道判定掩模。

为此，对于每个通道，设置标准差的阈值。接下来，对于度量矩阵的每个像素，如果所有三个颜色值都小于设置的阈值，则将该位置处的输出二元掩模设置为0。否则，二元掩模被设置为1。

图10a和10b示出了针对一个视图的阈值分割的二元掩模和放大图。可以理解，在自然图像中，色彩通道在模式中相关，这意味着在三个通道中可以看到类似的高频内容。这就是为什么在一个实施例中三个通道被同时进行阈值分割。

在步骤s303中，用形态滤波器填充解复用的空像素。这也可以在度量矩阵上执行。

在步骤s303中，对于其相邻像素，应用形态滤波来填充被插入以应对采样的空像素。这也可以在度量矩阵上执行。这个步骤的结果可以用来判定差异是否应该被估计。

通过步骤s301获得的度量矩阵和通过步骤s302获得的二元掩模都遵循光场的解复用模式，即，将空像素插入到不存在的微透镜的位置以遵循对光场的采样。与直接使用步骤s301获得的二元掩模进行差异估计的判定相比，具有附加步骤s302和s303的该实施例减少了差异估计的计算成本。

根据一个实施例，对步骤s302的结果应用形态滤波，以根据其相邻像素填充空像素。当使用解复用(例如参考文献1中讨论的内容)时，这是需要的。接下来，将给出该步骤的更详细的描述。

在一个实施例中，定义了作为1的2×2矩阵的结构元素(se)，并且(第一步)二元掩模由这种结构元素se扩张而来；和(第二步)第一步的结果被相同的结构元素se侵蚀。这两个步骤的组合称为掩模的形态闭合。

图11a和11b示出了扩张(第一步)的结果和放大图。

图12a和12b示出了侵蚀(第二步)的结果和放大图。

结果图像仅包含0和1，其中0指的是已经知道不需要差异估计的所确定像素，并且1指的是需要差异估计的像素。

步骤s303的结果可以用于任何差异估计方法来估计未聚焦全光数据的深度。因此，将通过差异估计来估计深度，而不考虑具有等于零的差异或属于均匀区域的所确定的像素。

在图4所示的图像上，结果表明，超过70％的像素不需要差异估计。

接下来，将使用本实施例的方法生成的差异图与没有使用该方法的差异图进行比较。

图13示出了使用参考文献1中描述的块匹配方法而不使用本公开实施例的方法估计的差异的图像。

图14示出了使用本公开实施例的方法估计的差异的图像。如图14所示，与图13的情况相比，较少数量的像素需要差异估计。这些像素被良好地检测为包含场景的焦点部分上的高频。此外，与图13相比，去除了块匹配方法的前景膨胀，这可以通过观察该差异图上的窄边缘来观察。

在参考文献1中描述的块匹配方法用于深度估计的情况下，由于所提出的差异预期的预处理模块，结果的准确性增加。块匹配方法受到前景膨胀效应的影响，意味着场景边缘上估计的差异是准确的，但在离开边缘的近处的情况下，背景像素的差异被错误地估计为等于边缘的差异，即，差异图上的边缘膨胀。这导致在前景边缘周围具有错误的背景差异值。本公开的实施例可以通过精确地检测边缘和模糊的高频并且丢弃其他地方的差异估计来防止差异图不准确。

图15是根据本公开实施例的用于估计未聚焦全光数据的深度的装置的框图。

如图15所示，用于估计未聚焦全光数据的深度的装置1500包括：第一确定单元1501，用于确定未聚焦全光数据的微透镜图像的均匀性级别。

装置1500还包括：第二确定单元1502，用于根据所计算的未聚焦全光数据的微透镜图像的均匀性级别确定未聚焦全光数据的微透镜图像中差异等于零或属于均匀区域的像素。

装置1500还包括：估计单元1503，用于通过在不考虑所确定的像素的情况下进行差异估计来估计未聚焦全光数据的深度。

装置1500能够用于对由全光相机捕获的未聚焦全光数据进行后处理。为此目的，装置1500能够嵌入到全光相机中或被提供为单独的设备。

应理解，本公开可以实现为多种形式的硬件、软件、固件、专用处理器或其结合。此外，软件优选地实现为有形地包含在程序存储设备上的应用程序。应用程序可以上传至包括任何合适架构的机器并由其执行。优选地，机器实现在具有硬件的计算机平台上，所述硬件如一个或多个中央处理单元(cpu)、随机存取存储器(ram)和输入/输出(i/o)接口。计算机平台还包括操作系统和微指令代码。这里描述的各种处理和功能可以是可经由操作系统执行的微指令代码的一部分或应用程序的一部分(或其组合)。此外，各种其他外围设备可以连接至计算机平台，如附加数据存储设备和打印设备。

以上参考本公开的实施例描述了本公开。然而，这些实施例仅用于说明目的，而不是为了限制本公开。通过所附权利要求及其等同物来限定本公开的范围。本领域技术人员可以进行多种变型和修改，而不脱离本公开的范围，其中这些变型和修改都落入在本公开的范围内。